상관(Correlation)
직교성(Orthogonality)
두 확률변수 X, Y의 곱의 기대값은 특수한 결과가 나온다. 일반적으로 $E[XY]$는 다음과 같은데,
$$
E[XY]=\int_{-\infty}^{\infty}{xyf_{XY}(x,y)}dxdy
$$
만일 X, Y가 독립이라면
$$
E[XY]=\int_{-\infty}^{\infty}{xf_{X}(x)}dx\int_{-\infty}^{\infty}{yf_{Y}(y)}dy=E[X]E[Y]
$$
와 같이 구할 수 있게 된다. 다시 말해서 곱의 기대값과 기대값의 곱이 같다면 두 확률변수는 독립인 것이다. 그리고 이런 경우를 상관 관계가 없다(Uncorrelated)고 말한다. 만일 $E[XY]=0$이라면, X, Y는 서로 직교(Orthogonal)한다고 말한다.
공분산(Covariance)
X, Y의 공분산은 다음과 같이 정의한다.
$$
\text{Cov}(X,Y)=E[(X-m_X)(Y-m_Y)]
$$
이제 상관계수(Correlation coefficient)를 다음과 같이 정의한다.
$$
\rho=\dfrac{Cov(X,Y)}{\sqrt{Var(X)Var(Y)}}
$$
상관계수는 $-1\leq\rho\leq1$의 범위를 가지며, 두 확률변수의 상관도를 측정하는 값이다. 따라서 $\rho=1$이면 두 확률변수는 같은 확률변수이고, $\rho=-1$이면 두 확률변수는 완전히 반대 방향(maximum negative correlation)이다. 마지막으로 $\rho=0$이면 위에서 본 것처럼 두 확률변수는 상관 관계가 없다.
Y=X
$$
\rho=\frac{E[(X-m_X)(X-m_X)]}{\sqrt{E[X-m_x]^2\cdot E[X-m_x]^2}}=1
$$
Y=-X
$$
\rho=\frac{E[(X-m_X)(-X+m_X)]}{\sqrt{E[X-m_x]^2\cdot E[-X+m_x]^2}}=-1
$$
$E[XY]=E[X]E[Y]$
$$
\begin{aligned}
E[(X-m_X)(Y-m_Y)]&=E[XY-m_XY-m_YX+m_Xm_Y]\\\
&=E[XY]-m_XE[Y]-m_YE[X]+m_Xm_Y\\\\\
&=m_Xm_Y-m_Xm_Y-m_Ym_X+m_Xm_Y=0\\\
\therefore\rho=0
\end{aligned}
$$
두 확률 변수의 합
$X, Y$를 서로 독립인 정규확률변수라고 가정하자. $X, Y$ 모두 평균은 0이며, 공분산은 각각 $\sigma_X^2$, $\sigma_Y^2$이다. 이때 $Z=X+Y$를 만족하는 $Z$의 확률밀도함수를 구하고 싶다. 일단 X, Y의 확률밀도함수는 다음과 같다.
$$
f_X(x)=\frac{1}{\sqrt{2\pi}\sigma_X}e^{-x^2/2\sigma_X^2}\\\
f_Y(y)=\frac{1}{\sqrt{2\pi}\sigma_Y}e^{-y^2/2\sigma_Y^2}
$$
각각을 푸리에 변환을 시켜주면,
$$
\mathbb F[f_X]=e^{-\sigma_X^2w^2/2}\\\
\mathbb F[f_Y]=e^{-\sigma_Y^2w^2/2}\\\
$$
위 식과 같다. 이제 푸리에 변환한 두 함수를 곱하면
$$
\mathbb F[f_X]F[f_Y]=e^{-(\sigma_X^2+\sigma_Y^2)w^2/2}
$$
와 같다. 다시 푸리에 역변환을 하면
$$
\begin{aligned}
f_Z(z)&=\mathbb F^{-1}[e^{-(\sigma_X^2+\sigma_Y^2)w^2/2}]\\\
&=\frac{1}{\sqrt{2\pi(\sigma_X^2+\sigma_Y^2)}}e^{-z^2/2(\sigma_X^2+\sigma_Y^2)}
\end{aligned}
$$
과 같다. 이때 Z의 분산은 다음을 만족하게 된다.
$$
\sigma_Z^2=\sigma_X^2+\sigma_Y^2
$$
위 과정에서, 두 정규확률변수를 더한 결과도 정규확률변수가 됨을 알 수 있다.
확률변수의 변환(Transformation of Random Variables)
시스템 분석에서는 종종 입력과 출력을 수학적 변환을 가지고 비교하는 경우가 많다. 예를 들면 어떤 함수,
$$
y=g(x)
$$
같은 경우는 입력 x를 함수 $g()$를 통해 변환하는 과정이다. 이제 이 개념을 확장해 입력과 출력을 어떤 확률변수라고 가정한다. 우리가 알고 싶은 것은 확률밀도함수를 알고 있는 $X$에 대해 출력 $Y$의 확률밀도함수이다. $g(x)$가 일대일 대응함수인 경우, 역함수를 구하면
$$
x=h(y)
$$
라고 놓을 수 있다.
x와 y가 일대일 대응관계이기 때문에
$$
P(x\leq X \leq x+dx)=P(y\leq Y \leq y+dy)
$$
와 같은 관계가 성립해야 한다. 다시 말하면 x가 dx만큼 이동한 부분과 y가 dy만큼 이동한 부분의 확률은 같아야 한다는 것이다. 이로부터
$$
\begin{eqnarray}
\int_x^{x+dx}f_X(u)du=
\left{\begin{array}{ll}
\displaystyle\int_y^{y+dy}f_Y(u)du,\text{ for }dy \text{ positive}\-\displaystyle\int_y^{y+dy}f_Y(u)du,\text{ for }dy \text{ negative}
\end{array}\right .
\end{eqnarray}
$$
와 같이 나타낼 수 있다. 위 식은 아래와 같이 정리가 가능하다.
$$
f_X(x)dx=f_Y(y)|dy|
$$
여기서 $dx$가 양수라고 가정하면 $x=h(y)$이므로
$$
f_Y(y)=\left|\frac{dy}{dx}\right|f_X(h(y))=|h'(y)|f_X(h(y))
$$
와 같이 나타낼 수 있다. 이렇게 수식으로만 보면 이해가 잘 되지 않으니 간단한 선형변환 예제를 살펴보자.
예제1
확률변수 X가 $N(0,\sigma_X^2)$를 만족할 때, 아래와 같은 선형변환을 생각해보자.
$$
y=Kx
$$
여기서 $|dx/dy|$를 구하면,
$$
\left|\frac{dx}{dy}\right|=\left|\frac{1}{K}\right|
$$
이므로 위에서 구했던 방법으로 $f_Y(y)$를 구할 수 있다.
$$
\begin{aligned}
f_Y(y)&=\left|\frac{dy}{dx}\right|f_X(h(y))\\\
&=\frac{1}{K}\cdot\frac{1}{\sqrt{2\pi}\sigma_X}\exp\left[-\frac{\displaystyle\left(\frac{y}{K}\right)^2}{2\sigma_X^2}\right]\\\
&=\frac{1}{\sqrt{2\pi(K\sigma_X)^2}}\exp\left[-\frac{y^2}{2(K\sigma_X)^2}\right]
\end{aligned}
$$
따라서 평균이 0인 확률변수 X를 선형변환할 경우 스케일팩터 K만큼만 분산이 커진 정규분포로 변환되는 것을 알 수 있다. 다시 말하면 정규성(Normality)가 보존된다.
예제2
비선형 변환의 경우도 동일하게 살펴보자. 이전 포스팅에서 다루었던 원반에 다트를 던지는 경우를 생각해보자. 원판 위에 2차원 좌표를 설정하면 다음과 같이 다트가 맞을 위치를 표현할 수 있다.
$$
f_{XY}(x,y)=\frac{1}{2\pi\sigma^2}e^{-(x^2+y^2)/2\sigma^2}
$$
이전 포스팅에서 다루었듯이 이 경우는 이변수 정규확률밀도 함수로, 각 확률변수가 정규확률변수이면서 서로 독립인 경우이다. 우리가 구하고 싶은 것은 극좌표계 $r, \theta$로 나타낸 다트 위치의 확률밀도함수이다. 참고로 극좌표계는
$$
\begin{aligned}
r=\sqrt{x^2+y^2},\ \ & r\geq 0\\\
\theta=tan^{-1}\frac{y}{x}, \ \ & 0\leq \theta \le 2\pi
\end{aligned}
$$
와 같다. 이제 X, Y로 나타낸 이변수 확률밀도함수를 $r, \theta$로 나타내면
$$
\begin{aligned}
\iint f_{R\Theta}(r,\theta)drd\theta &= \iint f_{XY}(x,y)dxdy\\\
&=\iint f_{XY}(x(r,\theta), y(r,\theta))
\left|J\left(\frac{x,y}{r,\theta}\right)\right|drd\theta
\end{aligned}
$$
과 같다. 이때 자코비안은
$$
J\left(\frac{x,y}{r,\theta}\right)=Det
\begin{bmatrix}
\dfrac{\partial x}{\partial r} & \dfrac{\partial y}{\partial y} \\\
\dfrac{\partial x}{\partial \theta} & \dfrac{\partial y}{\partial \theta}
\end{bmatrix}
$$
과 같다.
$$
x=r\cos{\theta}\\\
y=r\sin{\theta}
$$
이므로
$$
J\left(\frac{x,y}{r,\theta}\right)=Det
\begin{bmatrix}
\cos{\theta} & \sin{\theta}\\\
-r\sin{\theta} & r\cos{\theta}
\end{bmatrix}=r
$$
과 같이 계산된다.
$$
\begin{aligned}
f_{R\Theta}(r,\theta)&=r\frac{1}{2\pi\sigma^2}\exp\left[-\frac{(r\cos{\theta})^2+(r\sin{\theta})^2}{2\sigma^2}\right]\\\
&=\frac{r}{2\pi\sigma^2}e^{-r^2/2\sigma^2}\\\
\end{aligned}
$$
이제 Joint 확률밀도함수를 $r, \theta$에 대해서 적분해 Marginal 확률밀도함수를 구할 수 있다. 자코비안을 원래 적분식 안에 대입하고 정리한다.
$$
\begin{aligned}
f_{R}(r)&=\int^{2\pi}{0}{f{R\Theta}(r,\theta)}d\theta\\\
&=\frac{r}{2\pi\sigma^2}e^{-r^2/2\sigma^2}\int_{0}^{2\pi}d\theta \\\
&=\frac{r}{\sigma^2}e^{-r^2/2\sigma^2}
\end{aligned}
$$
그리고
$$
\begin{aligned}
f_{\Theta}(\theta)&=\int^{\infty}{0}{f{R\Theta}(r,\theta)}dr\\\
&=\left{\begin{array}{ll}
\frac{1}{2\pi},&\ 0\leq \theta \leq 2\pi \\\
0,&\ \text{otherwise}
\end{array}\right.
\end{aligned}
$$
여기서 $f_R(r)$은 Rayleigh density function이며 그래프는 아래와 같이 그려진다.
![[Review] VI-DSO (Eng)](https://images.unsplash.com/photo-1552168324-d612d77725e3?ixlib=rb-1.2.1&q=80&fm=jpg&crop=entropy&cs=tinysrgb&fit=max&ixid=eyJhcHBfaWQiOjExNzczfQ&w=1000)
![[Review] Direct Sparse Odometry(DSO) (Eng)](https://images.unsplash.com/photo-1516961642265-531546e84af2?ixlib=rb-1.2.1&q=80&fm=jpg&crop=entropy&cs=tinysrgb&fit=max&ixid=eyJhcHBfaWQiOjExNzczfQ&w=1000)
